· 研究领域:人工智能,机器学习,数据挖掘,生物信息学
· 计算所1998级博士,师从史忠植研究员。因对“机器学习模型”的贡献而入选IEEE Fellow。 李晓黎,新加坡科技研究局信息通信研究院的首席科学家,机器智能研究所所长(领导100余位AI和数据科学家),南洋理工大学兼职教授。他的研究兴趣包括人工智能、机器学习、数据挖掘和生物信息学。自2020年以来,他一直是新加坡信息技术标准委员会的成员。此外,他还担任新加坡卫生部的健康创新专家小组成员,同时还是新加坡总理办公室智慧国家与数字政府办公室的人工智能顾问。他也是亚太人工智能协会Fellow。 他一直在人工智能和数据挖掘相关会议中担任会议主席、区域主席、高级程序委员会委员(包括AAAI, IJCAI, KDD,
ICLR, NeurIPS, IEEE-MIPR)。他目前担任世界科学出版社《人工智能年度评论》的主编,以及《IEEE 人工智能会刊》、《知识和信息系统》以及《机器学习与应用》的副主编。
他已发表论文330余篇,论文被谷歌学术引用两万余次,H指数为71,他也获得10项最佳论文奖。在Research.com全球计算机科学领域的最佳科学家名列 713 名。此外,他还被斯坦福大学多次评为人工智能领域全球最顶尖的2%科学家之一。此外,他也领导研发团队在银行、航空公司、电信、保险等应用领域做出了杰出贡献。
· 获得最佳论文奖
o
2023 IEEE Engineering in Medicine and Biology Prize
Paper Award.
o
The 18th IEEE Conference on Industrial Electronics an的Applications (ICIEA
2022).
o
BEST PAPER AWARD Runner-Up of The 13th ACM International WSDM Conference (WSDM 2020).
o
Finalist Academic Paper Award of The
IEEE International Conference on Prognostics and Health Management (ICPHM 2020)
o
Paper Drug-target interaction prediction via
class imbalance-aware ensemble learning has been selected as the BEST
PAPER AWARD of the International Conference on Bioinformatics 2016
o
Paper "Network Motif Discovery: A GPU
Approach was invited to the TKDE special issue on the Best Papers of
ICDE of The 31st IEEE International
Conference on Data Engineering 2015
o
Paper ECODE: Event-Based Community Detection from
Social Networks has been selected as the Best Paper Runner-Up
Award of the 16th International Conference on Database Systems for
Advanced Applications (DASFAA 2011), Hong Kong
o
Research A Probabilistic Graph-theoretic Approach
to Integrate Multiple Predictions has been selected as Best
Performance Award of the Protein-Protein Subnetwork Challenge, the 2nd
Dialogue for Reverse Engineering Assessments and Methods (DREAM 2007), USA
· 杂志主编或副主编
o
Associate Editor: IEEE Transactions on
Artificial Intelligence
o
Associate Editor: Knowledge and Information Systems
o
Associate Editor: Machine Learning with
Applications (Elsevier)
· 会议主席、领域主席、研讨会主席
·
代表性的研究工作
o
基于正例和未标记例子的学习Positive unlabelled based learning (大于 3000 引用率, according to
Goggle Scholar)
o
传感器数据的分析Positive unlabelled based learning (大于 3000 引用率, according to
Goggle Scholar)
o
社交网和生物网络分析Social/biological network mining (大于 3000 引用率, according to
Goggle Scholar)
o 总引用率大于30,000
1. 生于山西农业大学 (李兵,李晓彬),
2. 教育:山西农大子弟学校,太谷中学,山西大学,中国科学院计算技术研究所。
3. 工作经历:山西大学计算机科学系,新加坡国立大学,新加坡南洋理工大学,新加坡科技局资讯通信研究局。
返回Li Xiaoli, Ph. D. 英文主页